OUTOFMIND: SISTEMA HUMANO-COMPUTADOR PARA

(1)

P

ONTIFICIA

U

NIVERSIDAD

J

AVERIANA

TRABAJO DEGRADO

O UT O F M IND : S ISTEMA HUMANO - COMPUTADOR PARA AN ALISIS DE SE ´ NALES BIOM ˜ EDICAS EN ESTADO DE ´

MEDITACI ON ´ .

Sebastián Malagón Pérez

Directora:

Catalina Alvarado Rojas, PhD

(2)

´Indice general

1. Introducci´on 3

2. Marco Te´orico 4

2.1. Se˜nales biom´edicas . . . 4

2.1.1. Se˜nales de electroencefalograf´ıa (EEG) . . . 4

2.1.2. Se˜nales de actividad electrod´ermica . . . 6

2.1.3. Se˜nales de pulsioximetr´ıa . . . 7

2.2. Extracci´on de caracter´ısticas . . . 8

2.2.1. Transformada Wavelet Continua . . . 8

2.2.2. Sincronizaci´on de fase . . . 9

2.3. Clasificaci´on con M´aquinas de Soporte Vectorial (SVM) . . . 11

2.3.1. Hiperplano y funci´on discriminante . . . 11

2.3.2. Margen geom´etrico . . . 11

2.3.3. Vectores de Soporte . . . 11

2.3.4. Planteamiento del problema de optimizaci´on . . . 12

2.3.5. Truco Kernel . . . 12

3. Objetivo del proyecto 13 3.1. Objetivo Espec´ıfico 1: Adquisici´on . . . 13

3.2. Objetivo Espec´ıfico 2: Sincronizaci´on . . . 14

3.3. Objetivo Espec´ıfico 3 y 5: Procesamiento y Validaci´on estad´ıstica . . . 14

3.4. Objetivo Espec´ıfico 4: Interfaz gr´afica . . . 15

4. Desarrollo 18 4.1. Adquisici´on . . . 18

4.1.1. gMOBILab + . . . 18

4.1.2. e-Health . . . 19

4.1.3. Sincronizaci´on gMOBILab+ y e-health . . . 23

4.2. Procesamiento de se˜nales . . . 24

4.2.1. Preprocesamiento . . . 24

4.2.2. Extracci´on de caracter´ısticas . . . 30

4.2.3. Clasificaci´on . . . 34

4.3. Interfaz gr´afica . . . 37

5. Protocolo de pruebas 38 5.1. Pruebas del sistema gMOBILab+ . . . 38

5.2. Pruebas del sistema e-Health . . . 39

5.3. Pruebas de sincronizaci´on . . . 40

5.4. Pruebas del procesamiento de se˜nales . . . 40

5.5. Pruebas de la interfaz gr´afica . . . 40

5.6. Protocolo experimental . . . 41

5.6.1. Adecuaci´on de equipos en el voluntario . . . 41

5.6.2. Consideraciones de la prueba . . . 42

5.6.3. Riesgos de la prueba . . . 43

(3)

5.6.4. Implementaci´on de la prueba . . . 43

6. An´alisis de resultados 45 7. Conclusiones y recomendaciones 47 .1. Consentimiento informado . . . 51

.1. Consentimiento informado Voluntaria 1 . . . 53

(4)

Cap´ıtulo 1

Introducci´on

En los últimos años ha existido un auge por el conocimiento de las espiritualidades orientales en Occidente; as´ı se ha encontrado en los métodos de meditación una herramienta alternativa para la pre- vención y tratamiento de ciertos desórdenes mentales, como la depresión, y factores que contribuyen a la aparición de los mismos (fatiga, ansiedad, insomnio, cansancio crónico) [31]. Las personas que prac- tican meditación reportan cambios en los procesos cognitivos (concentración), emocionales y corporales (sistema nervioso central, endocrino) [9],[12].

El estudio de los estados de conciencia, observados en la meditación, es una novedad en las neuro- ciencias, tanto as´ı que existe poca evidencia ampliamente aceptada de cambios fisiológicos del cerebro por estas prácticas [4]. Un mejor entendimiento de los beneficios de los cambios fisiológicos que re- lacionen los cambios emocionales y cognitivos ser´ıa de gran ayuda en campos como la psicolog´ıa, la psiquiatr´ıa y la medicina en aplicaciones cl´ınicas. Aunque los beneficios cognitivos (concentración) y emocionales (tranquilidad) son visibles y reportados por los meditadores [6], hay ausencia de medidas cuantitativas de la experiencia meditativa, para los practicantes. A la fecha, no se pueden generalizar los hallazgos de estos estudios y no se puede divulgar ampliamente los beneficios encontrados, debido a que las técnicas de meditación difieren en cada estudio y además los grupos de control difieren por la edad, creencias religiosas, experiencia previa en meditación, factores de ansiedad y depresión, entre otros [4].

Debido a esto se hace necesario el diseño de una plataforma que permita obtener medidas cuantitativas de las señales presentes en estados de meditación. La plataforma propuesta es una interfaz humano-computador que analiza señales biomédicas durante estados de meditación. Se adquirieron señales eléctricas del cerebro por medio de electroencefalograg´ıa (EEG) y además otras señales como pulso cardiaco, saturación de ox´ıgeno y conductancia de la piel (GSR).

Para el análisis de las señales se implementaron varios métodos de extracción de caracter´ısticas, y un algoritmo de clasificación. La interfaz puede ser de gran utilidad como herramienta de acompañamiento a la experiencia subjetiva del usuario, que a su vez podr´ıa generar una realimentación en los procesos de acompañamiento psicológico o médico, y con el tiempo la recolección de estos datos podr´ıa generar estad´ısticas más claras respecto a los beneficios obtenidos por la práctica de técnicas de meditación.

(5)

Cap´ıtulo 2

Marco Te´orico

El siguiente diagrama de bloques presenta la composición t´ıpica de un proyecto de adquisición y procesamiento de señales biomédicas. Los fundamentos teóricos para el desarrollo de cada bloque y su integración, se describen a continuación.

Figura 2.1: Diagrama de los bloques que componen el presente trabajo

2.1. Se ˜nales biom´edicas

2.1.1. Se ˜nales de electroencefalograf´ıa (EEG)

Los biopotenciales son los potenciales eléctricos a nivel celular generados por la diferencia en la concentración de iones de sodio y potasio al interior y exterior de la membrana celular. Esta diferencia de potencial se conoce como el potencial de reposo. La respuesta ante una excitación o est´ımulo generado por el sistema nervioso central se llama potencial de acción y consiste en el flujo de iones a través de la membrana celular [35]. Este proceso electroqu´ımico produce potenciales elétricos en el cuerpo.

Los biopotenciales más conocidos son electroencefalograma (EEG), electromiograma (EMG), elec- trooculograma (EOG) y electrocardiagrama (ECG). Para efectos de este trabajo se hace la adquisición de las señales de EEG, las cuales son el resultado de la actividad eléctrica cerebral generada por la interacción entre millones de neuronas [34].

Las señales EEG se caracterizan por tener muy baja amplitud (1 − 10µV ) y frecuencia (0,5 − 40Hz ) [34]. Dadas estas caracter´ısticas son señales muy sensibles a fenómenos de interferencia como movimiento de la cabeza, actividad muscular, movimiento de los ojos, pulso cardiaco, ruido de la l´ınea de 50/60Hz y ruido de radiofrecuencia (RF) [35], como se puede ver en la siguiente figura.

(6)

Figura 2.2: Diferentes tipos de artefactos presentes en las se˜nales EEG [35]

Amplificadores de biopotenciales

Debido a las caracter´ısticas de amplitud, frecuencia y sensibilidad al ruido, se hace necesario que los equipos para la adquisición de estas señales cuenten con un diseño que permita adquirir la señal con la menor interferencia posible y además que garanticen la protección del paciente por medio de aislamiento eléctrico [3]. Por esto, el diseño básico de un equipo de mediciones EEG debe tener un amplificador de instrumentación. Esta configuración de amplificadores operacionales permite tener alta ganancia en modo diferencial, baja ganancia en modo común, alta impedancia de entrada y un alto rechazo a modo común (CMRR, por sus siglas en inglés) [34].

Figura 2.3: Esquema b´asico de un amplificador de instrumentaci´on. E1 y E2 son electrodos bipolares que configuran la entrada diferencial, E3 es el electrodo de tierra (GND). Imagen adaptada de [34]

Un aspecto importante a tener en cuenta es el voltaje de offset presente en las terminales de entrada.

Este voltaje se genera por la conexión de los electrodos a la piel. Un modelo eléctrico de la interfaz electrodo-piel más completo puede ser encontrado en [14] . Debido a que la amplitud de las señales EEG está en el rango de µV , estos voltajes offset son comparables y pueden distorsionar la medida.

Por esto es necesario que la primera etapa de amplificaci´on sea de ganancia baja para evitar saturar los amplificadores operacionales [14].

La medida tendr´a componentes tanto del modo com´un, como del modo diferencial del amplificador.

As´ı, el voltaje a la salida es

v_o = G_d(v_E₁− v_E₂) + G_mc v_E₁ + v_E₂ 2

(2.1)

(7)

Donde G_des la ganancia en modo diferencial y G_mces la ganancia en modo com´un. Se define G_d como

G_d=

1 +2R2

R₁

R₄

R₃ (2.2)

Definimos el factor CMRR (Common-mode rejection ratio) como la relaci´on entre G_dy Gmcque permite suprimir el volatje en modo com´un.

CMRR = 20 log G_d

G_mc (2.3)

Lo ideal es que Gdsea mucho mayor que Gmc. Un valor alto de CMMR reduce la interferencia en las componentes de la se˜nal adquirida.

Otros aspectos a tener en cuenta son filtros en la banda de información de la señal y aislamiento eléctrico para protección del usuario.

Debido a las especificaciones anteriormente expuestas es necesario hacer la adquisición de señales EEG con electrodos bipolares, ya que esta configuración diferencial permitirá tener las señales de salida con el menor ruido posible. Un ejemplo del resultado de la resta de señales se muestra a continuación

Figura 2.4: Señal resultante de la adquisición con electrodos bipolares. La resta entre las señales en ambos canales permite una señal con menor ruido. Imagen tomada de [24]

Los pares diferenciales de los electrodos son elegidos seg´un el sistema 10-20. Es un sistema de posicionamiento de electrodos adoptado desde 1958 por la Federaci´on Internacional en Electroencefalograf´ıa y Neurofisiolog´ıa Cl´ınica [15].

2.1.2. Se ˜nales de actividad electrod´ermica

La actividad electrodérmica (EDA, por sus siglas en inglés) está asociada a los cambios automáticos en las propiedades eléctricas de la piel [2]. Un término más espec´ıfico para medir estos cambios es la respuesta galvánica de la piel (Galvanic Skin Response, por sus siglas en inglés). Este ´ındice de cambios es la única variable psicofisiológica que no está contaminada por la actividad parasimpática [2]. La señal GSR almacena los cambios en el sistema nervioso simpático, generados por est´ımulos [10]; estos cambios se muestran en el incremento/decremento de hidratación de las glándulas sudor´ıparas generando mayor conductancia si hay mayor hidratación que si la piel estuviera seca [11]. Es ampliamente reportado su uso para análisis de estados cognitivos, emocionales y de atención, como también como medida de respuesta a est´ımulos [11] [10] [17] .

Existen dos componentes principales para el análisis de las señales GSR. El primero es el componente tónico (tonic level), el cual tiene asociado el nivel DC de la señal Skin Conductance Level (SCL, por sus siglas en inglés) y las respuestas lentas. Por otra lado está la componente que describe cambios rápidos en la conductancia de la piel Skin Conductance Response (SCR, por sus siglas en inglés), es denominada (phasic response) [2]. Esta componente contiene las respuestas discretas que aparecen en forma de incrementos transientes en la señal GSR [11].

(8)

Figura 2.5: Se˜nal de GSR con sus t´ıpicas componentes. tonic response al inicio y phasic response como respuesta transiente a un est´ımulo.

Imagen tomada de [11].

En una compilación de la naturaleza de esta señal [30] [11] [10], se define su banda de operación en frecuencia entre 0.03 Hz y 2 Hz. La unidad de medición de la conductancia es en Siemens, por lo que su medición es una analog´ıa a un óhmetro ya que se aplica un potencial eléctrico entre dos puntos de la piel y se mide la corriente que fluye entre estos [2]. Para la componente SCR se define un rango de 2 − 3µS, mientras que para SCL hay un rango de 1 − 40µS [2]. La adquisición se debe hacer en un rango de 200 Hz a 400 Hz [2], sin embargo algunas investigaciones utilizan rangos menores como 10-20 Hz [17].

2.1.3. Se ˜nales de pulsioximetr´ıa

La transferencia de ox´ıgeno a nivel celular se realiza a través de moléculas de hemoglobina presentes en las células de la sangre. El nivel de oxigenación de la hemoglobina arterial se puede evaluar a través de la saturación de ox´ıgeno en la sangre arterial (SaO₂), la cual se define como la relación entre la concentración oxigenada de hemoglobina (HbO2) y el total de hemoglobina en la sangre (Hb) [22].

SaO2= HbO2

HbO₂+ Hb (2.4)

El método utilizado para medir (SaO2) es la fotopletismograf´ıa (Photoplethysmography, PPG), la cual mide el incremento de absorción de luz debido al incremento sistólico en el volumen de sangre arterial [22]. La hemoglobina es la fuente principal de absorción de luz en el tejido en la banda de frecuencias infrarrojo, por eso el pulsiox´ımetro se encarga de aislar la medida de absorción de la hemoglobina del resto de absorción de la sangre arterial [22]. Esta medida de absorción de luz se realiza a través de la ex- tinción de coeficientes, los cuales son una constante espec´ıfica de absorción. A continuación se relaciona la longitud de onda [mm] con los coeficientes de extinción.

(9)

Figura 2.6: Espectro de absorci´on de mol´eculas de hemoglobina oxigenadas y desoxigenadas Imagen tomada de [22].

2.2. Extracci´on de caracter´ısticas

Una vez las señales biomédicas son adquiridas, es posible utilizar diferentes métodos de análisis en tiempo, frecuencia y tiempo-frecuencia. En este proyecto se utilizaron los siguientes métodos de extracción de caracter´ısticas.

2.2.1. Transformada Wavelet Continua

La Transformada Wavelet es especialmente útil para el análisis de señales no estacionarias, es decir que sus propiedades estad´ısticas var´ıan en el tiempo. Las señales EEG son altamente no estacionarias y no lineales, debido a que var´ıan en amplitud y frecuencia a lo largo del tiempo [29].

La Transformada Wavelet permite el an´alisis tiempo-frecuencia por medio de una familia de funcio- nes llamadas wavelets. Una wavelet ψ(t) es una funci´on de energ´ıa finita y promedio cero, y es definida de la siguiente manera [23]:

ψ_s,τ(t) = 1

√sψ t − τ s

(2.5) Donde s representa escalamiento y τ desplazamiento. Para garantizar la energ´ıa unitaria se agrega el factor ^√¹_s. La escala s es inversamente proporcional a la frecuencia, de manera que para analizar bajas frecuencias se tiene una amplia extensión de la wavelet en tiempo permitiendo una resolución más angosta y precisa en el dominio de la frecuencia, mientras que para altas frecuencias la resolución en frecuencia disminuye a medida que se tiene menor dispersión de la wavelet en el dominio del tiempo [13].

(10)

Figura 2.7: Resoluci´on en frecuencia de la wavelet a partir de su dispersi´on en tiempo. Imagen tomada de [13]

Por otro lado τ es el encargado de controlar la localizaci´on temporal de la wavelet. La Transformada Wavelet de una se˜nal x(t) se define como [23]:

W_ψ(τ, s) = hx(t), ψ_s,τ(t)i = 1

√s

∞

Z

−∞

x(t)ψ^∗ t − τ s

dt (2.6)

W_ψ(τ, s) = 1

√s h

x(τ ) ∗ ψ^∗

−τ s

i

(2.7) W_ψ(τ, s) opera la convolución entre x(t) y una wavelet ^√¹_sψ^∗ −^τ_s. As´ı W_ψ(τ, s) almacena una medida de similitud de la wavelet con x(t), en la escala s alrededor del tiempo τ , en forma de coeficientes. La gráfica de la Transformada Wavelet, llamada escalograma, contiene las escalas en el eje y, el tiempo en el eje x y los coeficientes de la transformada en intensidad de color. Este escalograma representa el contenido en frecuencia de la señala, para diferentes instantes de tiempo. Es importante resaltar que la Transformada Wavelet optimiza la resolución de la ventana tiempo-frecuencia con respecto a otro tipo de transformadas, como Transformada de Fourier de Tiempo Corto (STFT).

Figura 2.8: Escalograma, eje x es el tiempo en segundos, eje y es la frecuencia en Hz y la barra de colores muestra la intensidad de los coeficientes a lo largo de las bandas de frecuencia y el tiempo.

2.2.2. Sincronizaci´on de fase

Otra caracter´ıstica que se evaluó fue la sincronización de fase. En la evaluación de estados cognitivos es importante determinar la conexión entre las distintas áreas funcionales del cerebro. Es conocido que las fases de dos osciladores no lineales acoplados se pueden sincronizar aún cuando sus amplitudes no

(11)

estén correlacionadas [21]. Por lo tanto, se puede aplicar este concepto de sincronización en la fase de dos señales EEG que cumplen con la propiedad de ser no lineales y no estacionarias.

Estimaci´on de la fase instant´anea: Transformada Hilbert

La Transformada Hilbert es especialmente útil para describir señales no lineales (ruidosas y caóti- cas), el cual es el caso de las señales EEG. As´ı, esta transformada permite obtener una señal anal´ıtica (compleja), como representación de la señal original. La señal anal´ıtica se define como [20]:

Ξ(t) = η(t) + eη(t) (2.8)

Donde η(t) es la señal original yη(t) es la señal original desplazada 90e ^◦. Esta señal tiene una amplitud instantánea A(t), que define la envolvente de la señal, y una fase instantánea φ(t).

A(t) =p

η(t)²+η(t)e ² φ(t) = arctaneη(t)

η(t) (2.9)

Phase-Locking Value

Se define la fase relativa entre dos se˜nales como [21]

ϕ(t) =| φx(t) − φy(t) | (2.10)

Si la fase de las señales está sincronizadas, se espera que ϕ(t) sea constante. Por el contrario, si las señales no están sincronizadas, se espera que ϕ(t) tome valores diferentes en el tiempo. Para poder cuantificar este nivel de sincronización, se proyectan los valores temporales de la fase como vectores en el c´ırculo unitario y se calcula el vector promedio, definido Phase-Locking Value (PLV) [18].

P LV = 1 N |

N

X

i=1

e^ϕ^n,m^(t) | (2.11)

Si las señales están sincronizadas, se espera que todos los vectores apunten hacia la misma dirección, lo cual dar´ıa un PLV de magnitud 1. Por el contrario, si las señales no están sincronizadas, el PLV ser´ıa cero, en su valor extremo, pues todos los vectores estar´ıan uniformemente distribuidos en el c´ırculo unitario, anulándose unos a otros.

Figura 2.9: En la parte superior se observa una se˜nal con poca sincronizaci´on, mientras que en la parte inferior las fases relativas se mantienen

(12)

2.3. Clasificaci´on con M´aquinas de Soporte Vectorial (SVM)

Para la clasificación se utilizó el método de Máquinas de Soporte Vectorial (SVM, por sus siglas en inglés). Este método de clasificación ha tomado fuerza en las últimas décadas y es una de las técnicas más comunes de Machine Learning, al dar muy buenos resultados.

2.3.1. Hiperplano y funci´on discriminante

La clasificación supervisada parte de una serie de datos etiquetados que son linealmente separables en dos clases (clasificación binaria) por medio de un hiperplano. Las etiquetas yi ∈ {±1}. Se define hiperplano como la combinación lineal de los datos de entrada X que cumplen

W^TX + b = 0 W ∈ R^d b ∈ R (2.12)

Donde W es el vector de pesos y b es el umbral de decisión. Dado que la decisión es binaria, se define la función discriminante

f_W,b(X) =

(1 Para la Clase A

−1 Para la Clase B (2.13)

Una correcta clasificaci´on cumple

f_W,b(X) = yi yi ∈ {±1} (2.14)

2.3.2. Margen geom´etrico

Las Máquinas de Soporte Vectorial se basan en un clasificador de margen máximo. As´ı que definimos el margen geométrico de la siguiente manera

r_W,b(X) = y (hW, Xi + b)

kWk (2.15)

Ahora definimos la distancia del hiperplano a los puntos m´as cercanos a lado y lado, as´ı obtenemos γ = 1

2

W · x⁺ kWk

− W · x⁻ kWk

γ = 1

2kWk W · x⁺ − W · x⁻

γ = 1

kWk (2.16)

Este resultado es importante ya que la distancia depende del valor kWk. También se puede observar que el hiperplano queda definido en forma canónica, es decir, que se ajusta el margen del hiperplano a 1 y eso garantiza que los puntos más cercanos tienen una distancia perpendicular al hiperplano de_kWk¹ . 2.3.3. Vectores de Soporte

Definimos los Vectores de Soporte como el punto de cada clase m´as cercano al hiperplano, cum- pliendo:

hW · x⁺i + b = +1 (2.17)

hW · x⁻i + b = −1 (2.18)

Estos puntos están igualmente cercanos al hiperplano y son los más dif´ıciles de escoger, dado que a partir de éstos se va a generar el hiperplano óptimo que debe cumplir con el margen máximo de separación.

(13)

2.3.4. Planteamiento del problema de optimizaci´on Dado un conjunto de datos etiquetados y linealmente separables

S = {(x₁, y₁) , . . . , (x_m, y_m)} x_i ∈ R^d, y_i∈ {±1}

El hiperplano (W, b) que soluciona el problema de optimizaci´on minW,b

1 2kWk²

s.t yi(hW, X_ii + b) ≥ 1, i = 1, . . . , m.

(2.19)

Es aquel que brinda el margen m´aximo desde el hiperplano con γ = _kWk¹ .

Una importante propiedad de las máquinas de aprendizaje lineales es que se pueden expresar en una representanción dual. Por eso se aplican las condiciones de Karush-Kuhn-Tucker. Reemplazando las condiciones de complementariedad y de factibilidad dual en la función Lagrangiana se obtiene el siguiente problema de optimización [8].

maxα W (α) =

l

X

i=1

αi−1 2

l

X

i,j=1

yiyjαiαjhx_i, xji

s.t

l

X

i=1

y_iα_i = 0, αi ≥ 0,

i = 1, . . . , l.

(2.20)

El resultado más importante es que la solución queda en términos del producto interno, es decir que existe una medida de similitud entre los datos de entrada y los vectores de soporte.

2.3.5. Truco Kernel

El planteamiento inicial solo se cumple para problemas linealmente separables, los cuales no son muy comunes en la vida real. Para clasificar datos que no son linealmente separables en el espacio de caracter´ısticas se debe utilizar el truco Kernel, el cual definimos as´ı [25]

hΦ (X) , Φ (X_i)i = κ (x, x_i) (2.21)

Se computa el producto interno impl´ıcitamente, es decir que no hay una transformaci´on explicita del espacio de caracter´ısticas.

(14)

Cap´ıtulo 3

Objetivo del proyecto

El objetivo general propuesto para este proyecto es diseñar e implementar un sistema humano- computador que adquiera y analice señales biomédicas, y presente ´ındices cuantitativos de la práctica de la meditación, mediante un despliegue gráfico.

Los objetivos espec´ıficos del proyecto fueron planteados de la siguiente manera:

1. Diseñar e implementar un sistema de sincronización para las plataformas de adquisición.

2. Realizar la adquisición de las señales eléctricas provenientes del e-Health y el g.MOBILab+, e integrarlas en el computador.

3. Extraer caracter´ısticas de las señales eléctricas provenientes de las plataformas de adquisición, en Matlab.

4. Diseñar e implementar una interfaz gráfica que muestre al usuario un seguimiento de su práctica de meditación, mediante ´ındices cuantitativos.

5. Aplicar técnicas de clasificación y análisis estad´ıstico para validar los resultados obtenidos.

A continuaci´on se presentan las especificaciones de la soluci´on desarrollada para cada uno de estos objetivos.

3.1. Objetivo Espec´ıfico 1: Adquisici´on

Se diseñó una interfaz gráfica en LabView de 64 bits, la cual permite hacer la adquisición en paralelo de las plataformas biomédicas e-Health y gMOBILab+. Esta interfaz permite seleccionar los puertos seriales asignados a cada plataforma. Además para la adquisición de la e-Health permite ajustar la tasa de baudios a 115200, la cual viene por defecto en el código en Arduino entregado por el fabricante.

Figura 3.1: Interfaz de adquisici´on de las plataformas e-Health y gMOBILab+

(15)

Como se puede observar en la figura, se pueden adquirir los 8 canales analógicos del gMOBILab+, aún cuando para este trabajo sólo se requieran los primeros 4 canales. También se garantiza la adquisición de los sensores de pulsioximetr´ıa y GSR de la paltaforma e-Health y su despliegue gráfico se encuentra en la parte izquierda. Este sistema de adquisición permite almacenar señales de ambas plataformas durante el tiempo elegido por el usuario. Para este trabajo el tiempo definido es de 30 minutos.

3.2. Objetivo Espec´ıfico 2: Sincronizaci´on

Se entiende sincronizaci´on como el almacenamiento de los datos, provenientes de ambas plataformas, para un mismo intervalo de tiempo, con tiempos de inicio y final iguales. Se comprueba la sincronizaci´on de los datos en el archivo de almacenamiento, el cual se guarda en formato binario (/.tdms) y posteriormente se lee en Matlab.

C´alculo de n´umero de datos adquiridos de la e-Health en 30 minutos, con frecuencia de muestreo de 5Hz

Datose − Health = 30 ∗ 60

0,2 = 9000

C´alculo de n´umero de datos adquiridos de gMOBILab+ en 30 minutos, con frecuencia de muestreo de 100Hz

DatosgM OBILab+ = 30 ∗ 60

0,01 = 180000

A continuación se muestra el tamaño de las matrices le´ıdas en Matlab, siendo BioSignals la matriz de datos que almacena las señales provenientes de la e-Health, y EEGData las señales provenientes de los 4 canales del gMOBILab+.

Figura 3.2: Lectura, en Matlab, de los datos adquiridos en Labview

Como se puede observar la cantidad de datos adquiridos es la esperada seg´un los c´alculos presenta- dos.

3.3. Objetivo Espec´ıfico 3 y 5: Procesamiento y Validaci´on estad´ıstica

El procesamiento de las señales se hizo sobre 5 minutos de control y 5 minutos de meditación. El resto del tiempo de la práctica de 30 minutos se descartó para evitar transiciones entre estados de conciencia. El análisis de la señales se hizo en ventanas de 20 segundos, con un sobrelapamiento de 50 %.

En cada ventana, el vector de caracter´ısticas contiene 50 elementos entre los que se encuentran los momentos estad´ısticos, contenido en frecuencia de las diferentes bandas (theta, alpha, beta y gamma), as´ı como la sincronizaci´on de fase.

(16)

Posteriormente se utilizó un algoritmo de reducción de dimensionalidad (PCA), para mejorar el espacio de caracter´ısticas. Finalmente, se implementó un algoritmo de clasificación SVM, entrenado con 60 % de los datos y probado con el 40 % restante. En la siguiente figura se muestra los resultados de la clasificación con SVM, siendo validados con la matriz de confusión. Además se presenta un boxplot con un resumen de las caracter´ısticas extra´ıdas para estado de control y estado de meditación. En la tabla de estad´ısticas se muestra un promedio de las caracter´ısticas principales, tanto para control, como para me- ditación. Las carater´ısticas marcadas asterisco comprueban la validación estad´ıstica realizada con t-test, mostrando as´ı su significancia. También se muestra el resultado de análisis de componentes principales para las tres primeras componenetes a lo largo de los 20 minutos de meditación.

Figura 3.3: Comprobación de la extracción de caracter´ısticas, clasificación y validación estad´ıstica de las señales adquiridas

3.4. Objetivo Espec´ıfico 4: Interfaz gr´afica

Se muestran algunos apartes de la interfaz gráfica, donde se puede ver que se expone el seguimiento de la práctica de meditación, por medio de estad´ısticas y gráficos de colores. Existe interpretación de datos tanto para el investigador especializado como para el practicante de meditación. Para la ampliación del manejo de la interfaz consultar el Manual de Usuario en los anexos.

(17)

Figura 3.4: Opción de la interfaz gráfica para que el usuario cargue los archivos de la adquisición.

Figura 3.5: Muestra de resultados de la pr´actica en ´ındices cuantitativos y est´adisticas.

(18)

Figura 3.6: Muestra de señales adquiridas después de preprocesamiento. Opción para el practicante o para el investigador.

(19)

Cap´ıtulo 4

Desarrollo

El siguiente diagrama de bloques muestra de manera m´as espec´ıfica los componentes de cada etapa para el desarrollo de este trabajo.

Figura 4.1: Diagrama de bloques espec´ıfico

A continuación se explicarán las consideraciones y especificaciones para el diseño e implementación de cada bloque.

4.1. Adquisici´on

A continuación se describen los equipos utilizados para la adquisición de las señales EEG, GSR y de pulsioximetr´ıa. Además se describen las particularidades para la comunicación y transferencia de datos con destino al computador.

4.1.1. gMOBILab +

Para la adquisición de señales EEG se utilizó la plataforma gMOBILab+, fabricada por Guger Tech- nologies. En este caso se contó con la versión multipropósito, la cual, además de adquirir señales EEG, también permite trabajar con señals EMG, EOG y ECG. A continuación se muestran algunas de sus especificaciones.

(20)

Figura 4.2: Algunas especificaciones del gMOBILab+. Imagen tomada de los manuales proporcionados gtec

Entre las especificaciones a tener en cuenta para el diseño está la frecuencia de muestreo de 256 Hz, la resolución de 16-bits del ADC, las frecuencias de corte de los filtros (0,5 − 100Hz) y que cuenta con dos canales bipolares para EEG. Para los pares de canales bipolares, se tiene que los canales 1-2 tienen una sensitividad de ±500µV , y los canales 3-4, una sensitividad de ±2mV .

Este equipo ofrece dos posibilidades para la comunicación con otros dispositivos, la primera es por cable serial RS-232, y la segunda es v´ıa Bluetooth. En el caso de este trabajo se eligió la opción de Bluetooth, ya que el dispositivo ven´ıa incluido en el paquete de compra inicial. Los datos adquiridos son recibidos en paralelo, es decir, que por cada muestra adquirida se reciben 4 datos, correspondientes a los 4 canales con los que se trabaja.

Figura 4.3: Comunicaci´on gMOBILab+ con computador v´ıa Bluetooth. Imagen editada de los manuales proporcionados gtec

4.1.2. e-Health

La plataforma biom´edica e-Health es fabricada por Cooking-Hacks, y permite el monitoreo de biose˜nales con sus 9 sensores.

(21)

Figura 4.4: Sensores de la plataforma e-Health. Imagen tomada de [7]

Para la lectura y transferencia de datos, la plataforma e-Health se acopla a un Arduino Uno. El sistema provee las librer´ıas para Arduino y el c´odigo necesario para hacer la lectura de los sensores. A continuaci´on se muestra el acople de la e-Health con la tarjeta Arduino.

Figura 4.5: Acople de la plataforma e-Health con la tarjeta Arduino Uno. Imagen tomada de [7]

Para este trabajo se utilizaron los sensores de pulsioximetr´ıa y de conductancia de la piel. A continuaci´on se muestra el PCB donde se especifica la posici´on de los sensores en la tarjeta e-Health.

(22)

Figura 4.6: PCB de la tarjeta e-Health. Imagen tomada de [7]

El fabricante no brinda especificaciones de resoluci´on de bits para el ADC, como tampoco frecuencia de muestreo. Debido a esto se hacen algunas conjeturas a partir del PCB y el c´odigo de la librer´ıa e-Health desarrollado en C++. En la siguiente figura se muestra el display del sensor de pulsioximetr´ıa:

Figura 4.7: Display del sensor de pulsioximetr´ıa. Imagen tomada de [7]

Se puede observar que la medida se entrega en formato de 7 segmentos. Como se puede observar en el PCB, existen 8 pines que corresponder´ıan a los pines de lectura del sensor. Para verificar esto se hace una revisión del código de la función de lectura del pulsiox´ımetro. A continuación se muestra un fragmento del código en C++:

(23)

Figura 4.8: Fragmento de c´odigo para lectura del sensor de pulsioximetr´ıa

La tarjeta e-Health hace la lectura de los distintos display de 7 segmentos y por medio de esta función los convierte a número. Se verifica que la frecuencia cardiaca (PRbpm) tiene tres d´ıgitos y la saturación de ox´ıgeno en la sangre (SpO2) tiene 2 d´ıgitos. Esto permite concluir que la tajeta e-Health es la encargada de la conversión de datos analógica-digital y por ende la resolución de bits y la velocidad de conversión no pueden ser modificados.

La comunicaci´on con el computador es por medio del puerto serial de Arduino y la transferencia de datos se realiza por el cable serial con una trama definida de datos donde se incluyen las tres medidas PRbpm, (SpO₂) y GSR. La siguiente figura muestra la composici´on de esta trama serial.

Figura 4.9: Trama serial de datos del sensor e-Health

Para que la longitud de la trama serial sea constante se hace una modificación en los datos le´ıdos; esta modificación se deshacerá una vez almacenados los datos. Como se vió anteriormente el dato PRbpm

(24)

medida de (SpO₂) siempre tendrá 2 d´ıgitos, por lo tanto no se modifica. La medida de GSR cuenta con decimales, es la señal más variable. Ya que la señal GSR puede cambiar desde valores menores a 10, se le suma 10 y se multiplica por 100 para tener las dos primeras cifras significativas. Un ejemplo de la trama serial modificada se muestra a continuación.

Figura 4.10: Ejemplo trama serial de datos provenientes del e-Health

4.1.3. Sincronizaci´on gMOBILab+ y e-health

Las señales de los distintos sensores fueron adquiridas con una frecuencia de muestreo diferente, como se pudo observar en las especificaciones de cada uno. En el caso de las señales EEG la frecuencia de muestreo es de 100 Hz, mientras que para las otras bioseñales la frecuencia de muestreo es de 5Hz.

Estos valores fueron ajustados después de varias pruebas, ya que para valores de frecuencia más altos en ambos sistemas las señales sufr´ıan distorsión, vista como pérdida de datos o cambios abruptos en sus valores.

En este caso la sincronizaci´on de datos se define como la adquisici´on en paralelo de los datos de ambos sensores en el mismo intervalo de tiempo, con el mismo tiempo de inicio y de final para su almacenamiento.

Para garantizar esto se hizo una implementación de compuertas y señales lógicas en LabView. El código se encuentra en los Anexos de este trabajo, pero el siguiente diagrama de tiempos provee infor- mación y demostración de la sincronización en el almacenamiento de las señales de ambos sensores.

(25)

Figura 4.11: Diagrama de tiempos de sincronizaci´on de almacenamiento de las se˜nales de ambos sensores.

Aún cuando las señales lógicas y bloques del código de LabView no se pueden ver en esta parte del documento, es importante resaltar que las señales Saving EEG Data y Saving e-Health Data se activan y desactivan al mismo tiempo, respectivamente.

4.2. Procesamiento de se ˜nales

4.2.1. Preprocesamiento

Esta parte del trabajo pretende limpiar las señales para su posterior análisis. Esto implica remover errores en los datos adquiridos y eliminar ruidos propios de la adquisición y las mismas señales.

Definici´on de tiempo de inicio

Para evitar que el análisis contenga señales transientes, es decir, señales que no se han estabilizado y que puedan generar sesgos indeseados en el análisis, se remueven los primeros dos minutos de adquisi- ción. Esto permite además evitar el análisis de canales EEG saturados por movimiento de los electrodos por acomodación al inicio de la práctica.

Filtrado de datos

Debido a que los datos provenientes de la e-Health son adquiridos con bastantes errores, es decir, valores que difieren de la tendencia de la se˜nal por errores en la trama serial de bits, es necesario hacer un filtrado de los datos.

(26)

Figura 4.12: Señales provenientes del e-Health inmediatamente después de ser almacenadas. (A) Señal GSR (B) Señal PRbpm (C) Señal SpO2

(27)

La primera fase de filtrado consiste en detectar las tramas de bits que están fuera de los rangos definidos para la adquisición. As´ı, para cada trama que esté reducida o exceda el tamaño original, se toma el valor inmediatamente anterior que esté correcto.

Figura 4.13: Correcci´on de la trama serial por exceso de d´ıgitos.

Figura 4.14: Correcci´on de la trama serial por reducci´on de d´ıgitos.

El resultado de esta primera etapa se muestra a continuaci´on.

(28)

Figura 4.15: Primera fase de filtrado sobre las tramas seriales adquiridas. (A) Señal GSR (B) Señal PRbpm (C) Señal SpO2

(29)

La segunda etapa de filtrado consiste en encontrar los cambios abruptos en la medida de cada una de las señales (PRbpm, (SpO2), GSR). Para detectar estos cambios abruptos se toma la diferencia entre dos puntos y se divide entre un delta equivalente al tiempo de muestreo (función diff en Matlab). De esta manera para valores similares, la diferencia será suave, mientras que para cambios abruptos habrá picos.

Una vez identificados estos picos se reemplzan por el valor anterior, el cual se supone correcto. Para la detecci´on de picos se fija un umbral para cada se˜nal.

Figura 4.16: Diferenciación de las señales, a la izquierda la diferenciación y a la derecha un acercamiento en los valores menos dispersos.

(A) Señal GSR, el umbral definido es [−20, 20] (B) Señal PRbpm, el umbral definido es [−15, 15] (C) Señal SpO2, el umbral definido es [−10, 10]

Las señales resultantes después de esta segunda fase de filtrado se muestran a continuación.

(30)

Figura 4.17: Resultados segunda fase de filtrado sobre las tramas seriales adquiridas. (A) Señal GSR (B) Señal PRbpm (C) Señal SpO2

(31)

Normalizaci´on de amplitud

La normalización de amplitud es un procedimiento que se realiza para eliminar las diferencia in- dividuales y poder generalizar las medidas [10]. Este procedimiento se aplica para las señales EEG y para la señal GSR, cada uno con sus variaciones. En el caso de las señales EEG se utiliza la normaliza- ción Z-score, la cual resta la media y divide por la desviación estándar, dejando la señal normalmente distribuida, con media cero y desviación estándar 1. En el caso de la señal GSR, aún cuando se puede normalizar con Z-score, algunas referencias recomiendan utilizar la siguiente normalización [2], [10]

X = X_GSR− X_media

X_max− X_min (4.1)

Remoci´on del nivel DC

Debido a que no se aplicaron filtros pasa-altos a la señal GSR es necesario remover su nivel DC para el futuro análisis. Esto se realiza con la función detrend de Matlab, la cual permite sustraer una recta con pendiente optimizada del nivel de la señal, lo cual es equivalente a quitar su componente DC.

Divisi´on por ventanas

En aplicaciones cl´ınicas es usual dividir la señal EEG en ventanas para su análisis. Esto genera una ventaja y es que en un rango espec´ıfico se puede considerar que la señal es estacionaria, es decir que sus propiedades estad´ısticas no var´ıan en el tiempo. Algunos autores sugieren que los ventanas deben tener un ancho entre 5 − 10s [26]. Una aplicación con caracter´ısticas similares a la meditación es el sueño, en particular [37] sugiere ventanas de 20 − 30s para el análisis de las señales de sueño. Teniendo como pauta estas investigaciones se decide tomar el ancho de las ventanas de 20s, sobrelapándolas al 50 %, permitiendo que no se pierda información en los bordes de las ventanas.

4.2.2. Extracci´on de caracter´ısticas Se ˜nales EEG

Inicialmente para estas señales se extrajeron caracter´ısticas a partir de sus momentos centrales. Al- gunas de estas caracter´ısticas fueron tomadas en cuenta de los estudios con señales EEG de sueño de [37], [27].

Kurtosis = m₄

m2∗ m₂ (4.2)

Skewness = m₃∗√² m₂ m2

(4.3)

La Kurtosis es una medida de apuntamiento, es decir, si los datos tienen un tendencia plana o incli- nada. Skewness brinda una medida de simetr´ıa. Los momentos centrales son generados con la siguiente funci´on generadora de momentos

m_k= 1 n

n

X

i=1

[y(i) − y_mean]^k (4.4)

Donde n es el n´umero de muestras por ventana y ymeanes la media de las muestras.

La entrop´ıa es una medida de caos (desorden) de la se˜nal.

N n n

(32)

La entrop´ıa se computa a partir del histograma de muestras en cada ventana. Por ende n_ies el número de muestras en el i-ésimo bin, n es el número total de muestras en cada ventana y N es el número de bins. Este último se elige según la ecuación

N = 1 + 3,3 log(n)

Debido a que existe la posibilidad de que alg´un bin quede sin elementos (funci´on logaritmo no de- terminada), se suaviza el histograma agregando 0,01 a cada bin.

Otro grupo de caracter´ısticas se deriva del análisis tiempo-frecuencia de cada ventana por medio de la Transformada Wavelet. Las bandas de interés son definidas en [32]. Se define una banda cerebral extra, la cual es Gamma que ha sido objetos de varios estudios, algunos acentuando su importancia en las prácticas de meditación [19], como otros simplemente relacionándola con frecuencias musculares y cardiacas [1]. En este caso se decide incluir Gamma, y se deja de lado el ritmo Delta, ya que éste está relacionado con estados de sueño profundo que no son de interés en este proyecto. De acuerdo a lo anterior se definen las bandas de frecuencia de interés como: T heta (4 − 8Hz), Alpha (8 − 12Hz), Beta (12 − 30Hz) y Gamma (30 − 42Hz). Esta última banda es acotada de acuerdo al estudio [19].

Se computa el escalograma para cada ventana en el rango de (4 − 42Hz) y se extrae la densidad espectral de potencia (PSD, por sus siglas en inglés) para cada banda de interés. La Densidad Espectal de Potencia corresponde a los coeficientes Wavelet en cada frecuencia promediados a lo largo del tiempo de la ventana. El promedio es una medida de densidad viable siempre y cuando se garantice que la señal es estacionaria, que en este caso se hace por medio del largo de la ventana (20s).

Figura 4.18: An´alisis tiempo-frecuencia con Transformada Wavelet Continua. (A) Escalograma para una ventana de 20s (B) Densidad espectral de potencia de la ventana de 20s

Se observa coherencia entre le escalograma y la gráfica de densidad espectral de potencia, ya que la mayor intensidad de coeficientes se encuentran en la banda de (20 − 25Hz). Posteriormente, se suma la energ´ıa promedio por cada banda para obtener un valor total por cada banda de interés. En la siguiente figura se muestra una discriminación de las bandas.

(33)

Figura 4.19: Suma de energ´ıa promedio por cada banda de inter´es. Las bandas de frecuencia se discriminan por colores.

Otra caracter´ıstica que se extrae es el valor normalizado de energ´ıa promedio de cada banda, es decir, una vez se computa la energ´ıa promedio de cada banda se divide entre el total de energ´ıa.

Otro grupo de caracter´ısticas incluye: media, varianza, desviación estándar, percentil 75, valor de amplitud máximo, valor de amplitud m´ınimo y relación entre el máximo y el m´ınimo.

La última caracter´ıstica a tener en cuenta es el PLV (Phase-Locking Value). Para esto lo primero es encontrar la representación anal´ıtica de la señal en cada canal por medio de la Transformada Hilbert.

Esta representación tiene parte real e imaginaria; esta última corresponde a la versión original desplazada 90^◦. El siguiente paso es estimar la fase instantánea de la representación anal´ıtica, para cada una de las señales a comparar. Es necesario usar la función unwrap de Matlab para evitar discontinuidades. Luego se calcula la fase relativa entre ambas señales por medio de la resta de las fases instantáneas de ambas señales. Paso seguido, por medio de una función exponencial compleja e^jφ^xy se refleja cada fase relativa en el c´ırculo unitario.

(34)

Figura 4.20: Fases instant´aneas en el c´ırculo unitario. Imagen tomada de [21]

Una vez se tiene la distribuci´on de la fase fase relativa en el c´ırculo unitario se procede a encontrar el PLV que es el promedio de los valores del c´ırculo unitario.

P LV = 1 N

Xe^jφ^xy (4.6)

El valor resultante se encuentra entre 0 y 1, donde 1 es la máxima sincronización de fase de las señales comparadas. Por otro lado, debido a que los valores de la fase relativa en el c´ırculo unitario están muy dispersos el promedio tiende a 0, por lo tanto implica que las señales no están sincronizadas en fase, Se ñales GSR

Una caracter´ıstica importante de identificar en la señal GSR es la transición del nivel SCL al nivel SCR, lo cual implica identificar los cambios en la subida de la señal. Para esto se diseña un detector de picos tal como se propone en [17]. Lo primero es aplicar la derivada de primer orden a la señal, lo cual permitirá observar con más claridad los cambios abruptos, que corresponder´ıan a la respuesta SCR.

(35)

Figura 4.21: Aplicaci´on de la derivada de primer orden a la se˜nal GSR

Lo siguiente es identificar los picos y su amplitud, para esto se implementa un detector de picos por medio de los cruces por cero de la señal derivada, sólo se detectan los picos positivos. El criterio para elegir que un valor corresponde a un pico es que supere el 30 % del valor máximo encontrado en esa ventana. Las caracter´ısticas asociadas a este procedimiento es el número de picos encontrados y el valor del pico máximo. En dado caso que no se detecten picos se asigna un valor arbitrario de 0,1 en ambas caracter´ısticas. Para una mejor observación de los datos el valor del pico máximo se escala por diez mil. Otras caracter´ıticas extra´ıdas de la señal GSR son la media, varianza, kurtosis, desviación estándar, percentil 75, valor máximo, valor m´ınimo y realción entre valor máximo y m´ınimo. Estas caracter´ısticas son reportadas en otros estudios como [10].

Se ˜nales de pulsioximetr´ıa

Debido a la naturaleza poco varianble de las se˜nales de pulsioximetr´ıa s´olo se extrae el valor promedio por ventana, tanto de SpO2 como de PRbpm.

4.2.3. Clasificaci´on

Reducci´on de dimensionalidad

En la literatura se encuentran diferentes técnicas para la reducción de dimensionalidad asociada a una mejora en la clasificación con Máquinas de Soporte Vectorial [5], [28]. Para este trabajo se eligió la técni- ca de Análisis de Componentes Principales (PCA, por sus siglás en inglés). Aún cuando en los estudios anteriormente reportados no brinda la mejor exactitud se elige porque además de reducir el problema de clasificación, también será útil para reportar cambios entre control y meditación en el despliegue gráfico.

PCA, por medio de la transformación del espacio de caracter´ısticas, permite encontrar una combinación lineal de las caracter´ısticas y as´ı encontrar cuales combinaciones lineales brindan mayor varianza, es decir, aportan mayor información y no son redundantes.

Una vez conformado el vector inicial de caracter´ısticas, un total de 49 caracter´ısticas por ventana, se aplica PCA para encontrar los componentes principales con mayor varianza.

(36)

Figura 4.22: Gr´afica de componentes principales y sus respectivas varianzas.

El umbral para la elecci´on de las componentes principales a utilizar es la media de toda la muestra.

Las componentes principales con varianza mayor a la media serán las seleccionadas, as´ı se reduce la dimensionalidad del vector de caracter´ısticas. De tener 49 caracter´ısticas por ventana, después de la implementación de PCA pueden ser menos de 5.

Clasificaci´on SVM

La técnica de clasificación escogida es Máquina de Soporte Vectorial. Es ampliamente utilizada para reconocimiento de patrones y su gran ventaja es la solidez de sus fundamentos matemáticos. Varias investigaciones en temas de meditación y otros estudios con señales EEG la utilizan para diseñar clasificadores [1], [36].

Debido a que esta técnica de clasificación supervisada utiliza una función discriminante binaria, las dos clases que se quieren separar son control (baseline) y meditación. Para que no haya sobre- entrenamiento de ninguna clase se toma el mismo tiempo de análisis para cada clase. Se hace la su- posición de que los primeros 5 minutos de la práctica corresponden a estado de control y los últimos 5 minutos de la práctica corresponden a estado de meditación. Con esa suposición se etiquetan los datos.

La entrada de la SVM será el vector de las componentes principales elegidas después de la imple- mentación de PCA. De ese vector de componentes principales se toman los primeros 5 minutos correspondientes a control y la otra parte corresponde a los 5 minutos de meditación. La etiqueta para los datos de la clase control será 1, mientras que para la clase meditación será -1.

(37)

Figura 4.23: Vector de datos compuesto de ambas clases: control y meditaci´on. Se etiqueta la clase control con 1 y la clase meditaci´on con -1

Los vectores de soporte serán los encargados de generar el hiperplano óptimo para la clasificación.

Por eso son los datos más dif´ıciles de clasificar. Para esto se elige el 60 % de los datos de ambas clases para prueba, y el 40 % restante en cada clase será el vector de datos de evaluación.

Figura 4.24: Partici´on de datos de prueba y datos de evaluaci´on

Evaluaci´on estad´ıstica

La división de los datos en prueba y evaluación, permite optimizar los parámetros del clasificador en el primer grupo y evaluar estad´ısticamente la clasificación en el segundo grupo. Los resultados de la clasificación se definen a partir de las etiquetas de los datos y de la salida del clasificador. De esta manera, se puede construir una matriz de confusión de la siguiente manera:

(38)

Figura 4.25: Matriz de confusi´on

Sobre esta matriz, se puede calcular el desempeño del clasificador en términos de los siguientes parámetros:

Sensibilidad: _{V P +F N}^{V P} Especificidad:_{F P +V N}^{V N} Exactitud: V P +F N +F P +V N^{V P +V N}

4.3. Interfaz gr´afica

Todas las especificaciones de la interfaz gráfica diseñada en Matlab se encuentran en el anexo Ma- nual de Usuario, en la sección Interfaz Gráfica en Matlab.

(39)

Cap´ıtulo 5

Protocolo de pruebas

5.1. Pruebas del sistema gMOBILab+

Se hicieron pruebas con los dos software que ofrece g.tec para el manejo de gMOBILab+, los cuales son Simulink y LabView.

Al inicio hubo inconvenientes para adquirir señales de EEG, ya que los datos que se adquir´ıan eran provenientes de ruido de 60Hz. Esto suced´ıa cuando se conectaba el pin de Referencia. Aún haciendo consultas con el fabricante, éste no supo responder a este problema. Cuando se dejó de conectar el pin de Referencia y sólo se conectaron los pares diferenciales en los canales 1 y 2 se obtuvo una señal con ruido y otra señal que parec´ıa tener mayor información de ritmos cerebrales. Este resultado se muestra a continuación.

Figura 5.1: En la parte derecha se puede observar la configuración de bloques en Simulink para la adquisición. En la parte izquierda se observan las dos señales obtenidas.

A partir de este resultado se deduce que la adquisición se debe hacer con canales en configuración bipolar, que garanticen máximo rechazo de ruido en modo común y por lo tanto esta señal corresponde a la resta entre los dos canales.

Por otro lado se hicieron pruebas de adquisición en Labview, en un inicio sin éxito. El programa no compilaba e inicialmente se ten´ıa la hipótesis de que el archivo .dll necesitaba reconfigurarse. Tras utilizar programas que pod´ıan buscar los complementos de este archivo, se descarta esa opción. Siguiendo en busca de posibles errores se encuentra un mensaje en el cual se advierte que dicho programa fue diseñado para Labview de 64 bits y no de 32 bits, el cual estaba por defecto en el computador. Tras la instalación de labview de 64 bits fue posible hacer la adquisición teniendo en cuenta la configuración bipolar de los electrodos. En la siguiente figura se muestra el modo Test de gMOBILab+ en Labview, con señales triangulares de diferencias frecuencias.

(40)

Figura 5.2: Modo Test de gMOBILab+ en Labview.

5.2. Pruebas del sistema e-Health

Inicialmente existen problemas con la lectura del pulsiox´ımetro. Tras algunas consultas en el foro del fabricante se cambia la tarjeta Arduino Mega por la tarjeta Arduino Uno, bajo la cual fue probado el sensor e-Health. Con dicho cambio se pudieron adquirir las se˜nales de pulsioximetr´ıa y GSR en el puerto serial de Arduino.

Figura 5.3: Adquisici´on de datos en el puerto serial de Arduino Uno.

Se realizaron pruebas para la comunicaci´on entre Arduino y Simulink, pero el paquete que ofrece Mathworks para Arduino no provee una forma de lectura de el puerto serial. La mejor manera para esta comunicaci´on con Simulink es mediante el Toolbox de Matlab llamado Instrument Toolbox, pero desafortunadamente la licencia de la Universidad no cuenta con esa librer´ıa.

Por esa raz´on la adquisici´on se hace en LabView de 64 bits, ya que este permite leer puertos seriales con los complementos NI-VISA.

(41)

5.3. Pruebas de sincronizaci´on

Inicialmente se pensaba que la frecuencia de muestreo de la plataforma e-Health se pod´ıa controlar con la función delay presente en el código de Arduino. Bajo esa idea se adquir´ıan los datos de la e-Health y de gMOBILab+ en el mismo While Loop. Una revisión más detallada de los datos adquiridos permitió ver que hab´ıa pérdida de datos y distorsión en los que se almacenaban. A partir de esto era necesario adquirir los datos de la e-Health con una frecuencia de muestreo mucho menor. Tras varias pruebas se concluyó que la frecuencia de muestreo más adecuada es 5Hz, ya que permite una suficiente cantidad de puntos con menor distorsión que otras frecuencias de muestreo.

Con esta condición de frecuencia de muestreo distinta para ambos sensores fue necesario diseñar un sistema de adquisición en paralelo, que permitiera adquirir las señales de ambos sensores en While Loops distintas.

5.4. Pruebas del procesamiento de se ˜nales

Inicialmente se pensó en implementar, como parte del pre-procesamiento de las señales EEG, una etapa de filtrado para remover artefactos. Tras algunas pruebas con filtros digitales FIR/IIR el mejor funcionamiento lo consegu´ıan los filtros IIR, ya que se necesitaba un menor orden de filtro en comparación a los FIR y ofrec´ıan mejor atenuación en las bandas de corte. Dado que los filtros IIR son no lineales en su fase se implementó una configuración forward-backward, la cual corrreg´ıa las distoriones de fase generadas por los filtros mediante el paso de la señal dos veces por los filtros. Finalmente, dado que el análisis Wavelet permite elegir las bandas de interés para la extracción de densidad espectral de potencia y no se iba a extraer caracter´ıticaspor cada banda de frecuencia se decidió dejar de lado esta etapa de filtrado, ya que pod´ıa haber distorsión de fase y amplitud de la señal y no iba a ser útil su implementación.

Tras la extracción de las caracter´ısticas definidas para cada señal y posterior reducción de dimensionalidad se observaba que hab´ıa varios valores de NaN en las componentes principales. Tras revisar el vector de caracter´ısticas se pudo determinar que los valores de NaN proven´ıan de la caracter´ıstica de entrop´ıa. El error radicaba en que hab´ıa bins para los cuales no hab´ıa ningún valor asociado, por lo que al momento de aplicar logaritmo esa valor tend´ıa a infinito. La solución implementada fue garantizar un valor m´ınimo en cada bin, por lo que una vez computado el histograma se agregaba 0,01 a cada bin, y as´ı nunca habr´ıa valores de cero.

En la parte de clasificación se hizo un trabajo previo con una base de datos de sueño generda por [16]. La clasificación de esta base de datos se realizó teniendo en cuenta las etiquetas del hipnograma asociado y se implementó una SVM multiclase. Se utilizaron dos métodos para la asignación de datos de prueba y evaluación. El primer método consistió en permutar el vector de datos, con sus respectivas etiquetas, para tener variedad de etiquetas en el vector de datos de prueba. El segundo método consistió en elegir 60 % de datos de cada clase para el vector de datos de prueba y el 40 % restante en cada clase se asignaba al vector de datos de evaluación, de esta forma se garantizaba que siempre iba a haber muestras de cada clase en ambos vectores de datos. Aun cuando no hubo variaciones considerables, el segundo método resultaba en mayor exactitud dado que hab´ıa mayor cantidad de datos en la diagonal de la matriz de contingencia.

Otro aspecto importante de esta prueba, con la base de datos de sue˜no, es que no hab´ıa grandes variaciones en la exactitud de la SVM si se utilizaba un kernel lineal o un kernel RBF.

Con estos precedentes se decide utilizar el segundo método en la construcción de los vectores de datos de prueba y evaluación y además un kernel lineal para menor costo computacional.

5.5. Pruebas de la interfaz gr´afica

Inicialmente la interfaz gráfica ten´ıa más explicación en texto. Tras la pruebas con los usuarios se observó dificultad en el entendimiento de los pasos a seguir, concretamente en la carga de datos, tanto de las señales EEG, como de las demás bioseñales. Por eso fue necesario quitar partes de texto e incluir imágenes.

(42)

Para indicar si hab´ıa incrementos o decrementos respecto al estado de control, inicialmente se pensó en graficar algunas caracter´ısticas con colores, algunos colores identificando incremento, otros decremento, dependiendo de la comparación de los datos de meditación a lo largo del tiempo con los umbrales de los estados de control. Esto fue imposible de implementar porque como tal no hay tendencias claras y generalizables en las caracter´ısticas. Por eso fue necesario hacer esta comparación con las componentes principales extra´ıdas del análisis PCA. Con esto si se pod´ıa garantizar variaciones en los datos a lo largo del tiempo, porque las componentes principales tienen una varianza distinta en el tiempo.

5.6. Protocolo experimental

Tal como se hab´ıa planteado en el trabajo de seminario, se realizaron pruebas con tres personas voluntarias para evaluar el producto final y su funcionamiento.

Las tres voluntarias han practicado variedad de técnicas de meditación, dos de ellas durante periodos más largos.

5.6.1. Adecuaci´on de equipos en el voluntario

Se toman algunas consideraciones descritas en [33] respecto a la conexión de los electrodos. Lo primero fue pedirle a las voluntarias que se midieran los gorros de medición EEG, los cuales vienen ade- cuados al sistema 10-20 de posicionamiento de electrodos [15]. La talla adecuada es aquella que ofrece la suficiente presión para la estabilidad de los electrodos y para evitar su movimiento. Lo siguiente fue identificar la posición del electrodo CZ, el cual corresponde a tierra. Para esto se encontró la intersección entre la l´ınea formadas entre y nasión y el inión, y la l´ınea formada entre los puntos pre-auriculares a lado y lado de la cabeza.

Figura 5.4: Ubicación del electrodo CZ, a aprtir de la intersección de la l´ınea Nasión-Inión con la l´ınea entre lso pre-auriculares. Imagen adaptada de [15]

Una vez ubicado el electrodode tierra se acomodaba el gorro para que cubriera toda la cabeza. Pos- teriormente se ubicaban los pares de electrodos diferenciales O1, O2 y C3, C4.

(43)

Figura 5.5: Ubicaci´on del par diferencial C3, C4 (derecha). Ubicaci´on del par diferencial O1, O2 (izquierda)

Posteriormente se proced´ıa a limpiar con alcohol el cuero cabelludo ubicado debajo de cada electrodo, esto con el fin de eliminar c´elulas muertas en la piel. Una vez hecho este procedimiento en cada electrodo se colocaba el gel proporcionado por g.tec para mejor contacto de los electrodos. Una vez realizada la conexi´on de gMOBILab+ se proced´ıa a conectar los sensores del e-Health.

Figura 5.6: Conexi´on de los sensores de la e-Health. Pulsiox´ımetro y GSR

Para garantizar una conductancia m´ınima se aplicaba el mismo gel de los electrodos a los dedos donde se posicionaba el sensor de GSR.

5.6.2. Consideraciones de la prueba

Definir estado de meditación implica abarcar un conjunto basto de técnicas y creencias. Para el caso de las pruebas experimentales el ejercicio de meditación no incluyó alguna técnica en particular, simplemente se planteó un ejercicio de máxima concentración en la respiración, con los ojos cerrados y sin mantras ni movimiento corporal.

En este trabajo se considera estado de control como el estado inicial en el que llega el usuario a

(44)

definir, especialmente para meditadores expertos.

Cada prueba tuvo una duración de 30 minutos, de los cuales 7 fueron de control y los restantes fueron de práctica de meditación. No es fácil definir el estado de control, por eso la propuesta fue que en los primeros 7 minutos la persona en estudio ten´ıa que escuchar noticias de radio, con los ojos cerrados, pretendiendo la menor concentración posible. Una vez culminaba el intervalo de tiempo de control se le informaba a la persona que se dispusiera a meditar, se cortaba el sonido de las noticias, se apagaban las luces del cub´ıculo donde se hac´ıan las pruebas y se hac´ıa el mayor silencio posible en este espacio. Una vez finalizado el tiempo de la práctica (30 minutos) la interfaz de adquisición emit´ıa un sonido con una campana. Posteriormente la persona se tomaba el tiempo para finalizar su práctica y acto seguido se le desconectaban los sensores.

5.6.3. Riesgos de la prueba

Según la Resolución # 008430 de 1993 del Ministerio de salud de Colombia se puede catalogar la investigación como de riesgo m´ınimo. También el Decreto 2164 de 1992 y la Ley 10 de 1990, Art´ıculo 11, soporta en que esta investigación es de riesgos m´ınimos, ya que las pruebas se realizan son no invasivas, es decir que el procedimiento no implica perforar o introducir instrumentos en el cuerpo.

Los equipos de adquisición de biopotenciales deben contar con aislamiento eléctrico, que en este caso se garantiza por la utilización de pilas AAA, además de protección contra desfibrilación. La protección que brinda el e-Health está en los circuitos de protección de la tarjeta Arduino Uno, aún as´ı este equipo no cuenta con aislamiento eléctrico.

Lo anteriormente dicho es informado al practicante por medio del documento Anexo 1, donde se encuentra el consentimiento informado.

5.6.4. Implementaci´on de la prueba

A continuación se muestran fotos de las voluntarias en su práctica de meditación. Adicionalmente se muestran los parámetros de rendimiento del clasificador: Sensibilidad, Especificidad y Exactitud.

Figura 5.7: Voluntaria 1. Sensibilidad = 0, Especificidad = 0.48, Exactitud = 45.83 %

(45)

Figura 5.8: Voluntaria 2. Sensibilidad = 1, Especificidad = 1, Exactitud = 100 %

Figura 5.9: Voluntaria 3. Sensibilidad = 1, Especificidad = 1, Exactitud = 100 %

(46)

Cap´ıtulo 6

An´alisis de resultados

En este trabajo se diseñó una interfaz humano-computador que permitió el análisis de distintas bio- señales, entre las cuales están SpO2, PRbpm, GSR y señales EEG. Como parte del proceso se adquirieron los datos de ambos sensores por medio de Labview y as´ı mismo se logró su sincron´ıa para posterior análisis. En el procesamiento de las señales se extrageron caracter´ısticas que permitieron una posterior clasificación entre estado de control y estado de meditación. Dicha clasificación es validada estad´ısti- camente con una matriz de confusión, mientras que las caracter´ısticas extra´ıdas se validaron con t-test.

Dentro de los resultados del protocolo de pruebas se encuentran exactitudes de clasificaci´on del 100 % y del 45 % para diferentes voluntarias.

Se tiene una buena sincronización de los datos gracias a la lógica diseñada en Labview. Se hizo uso de señales lógicas para la sincronización de señales con distinta frecuencia de muestreo y adquiridas en while loopsdistintos. La verificación del funcionamiento se evidencia en la cantidad de datos esperados para las bioseñales de ambos sensores con su correspondiente frecuencia de muestreo.

Los datos adquiridos con la plataforma e-Heath presentan bastante distorsión en amplitud, esto quie- re decir que existe pérdida de información, y eso no resulta bueno para este análisis que requier máxima fiabilidad en los datos adquiridos. Aun con interpolación para recuperar la información no es suficiente, ya que pueden existir sesgos en las medidas, especialmente en la de GSR, donde se trata de encontrar cambios de amplitud que están relacionados con variables psicofisiológicas, por lo tanto se podr´ıa estar considerando cambios fisiológicos donde sólo hay ruido o un error de adquisición.

Las posibles causas pueden estar asociadas con el tipo de sensor y el objetivo para el que fue di- señado, ya que la tarjeta e-Health no es apta para este tipo de aplicaciones en tiempo real o que requieran una frecuencia de muestreo más alta a 1Hz. Como se demostró anteriormente su fabricación y funcionamiento están dirigidos a otro tipo de aplicaciones. Aunque las dos primeras señales logran ser estables a lo largo del tiempo, las variaciones en los decimales en la señal GSR generan errores en la trama serial, provocando un error que se retroalimenta de manera positiva, aún as´ı existe una tendencia en la señal y con esta es que se trabaja.

Se logra tener una sincronización en los tiempos de adquisición, aún as´ı, dado que son compuertas lógicas en alto nivel, no se está teniendo en cuenta el análisis de los tiempos de Hold & Set Up, como tampoco un análisis de metaestabilidad, lo cual podr´ıa estar generando en pequeña escala retardos que no se tuvieron en cuenta en el modelo. A partir de los resultados observados y teniendo en cuenta la baja frecuencia de las señales adquiridas estos retardos se puede despreciar.

El protocolo experimental permite ver resultados interesantes, dado que para una misma prueba la exactitud de clasificación entre las voluntarias difiere bastante. Una mejor investigación en la caracter´ısti- cas importantes de los estados de meditación podr´ıa mejorar la exactitud de clasificación, como también la implementación de otros métodos de reducción de dimensionalidad. En el caso de PCA puede haber mejoras en la escogencia del umbral de desición de las componentes principales a utilizar. Sin embargo